모바일 셀룰러 부하 예측 (Mobile cellular load forecasting)은 네트워크 자원 최적화 및 신뢰성, 지연 시간(latency), 품질 보장을 갖춘 서비스 제공에 필수적입니다. 이 분야의 주류 머신러닝 (Machine learning) 연구는 주로 예측 정확도 향상을 위한 강력한 학습 구조를 개발하는 데 집중되어 있습니다. 예측에 사용되는 데이터는 전통적으로 셀룰러 도메인에 속하며, 기껏해야 기지국 주변 환경에 대한 외생적 (exogenous) 정보만을 포함합니다. 우리는 모든 데이터 학습 과정의 핵심 구성 요소로서 데이터의 관점에서 예측 과제에 접근합니다. 우리는 셀룰러 부하를 생성하는 프로세스에 대한 정보를 데이터가 제공할 때 상당한 개선을 달성할 수 있다는 가설을 세웁니다. 구체적으로, 우리는 모바일 데이터 트래픽의 과거 시계열 (time series) 데이터를 사용하는 것 외에도, 인구 역학 (population dynamics) — 즉, 잠재적인 셀룰러 트래픽 소스의 수와 그들의 이동성 (mobility) — 을 특징짓는 것을 제안합니다. 우리는 거의 연구되지 않았던 고속도로 시나리오를 통해 우리의 가설을 검증합니다. 종합적인 실험 결과, 이러한 데이터의 사용만으로도 약 60% 수준의 예측 개선이 나타남을 보여줍니다.